[發(fā)明專利]一種基于集成學(xué)習(xí)的黑色素瘤皮膚病圖像分類(lèi)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201810505419.0
• 申請(qǐng)日: 2018-05-24
• 公開(kāi)（公告）號(hào): CN108734138B
• 公開(kāi)（公告）日: 2020-10-30
• 發(fā)明（設(shè)計(jì)）人: 胡海根;孔祥勇;蘇一平;陳勝勇;管秋;肖杰
• 申請(qǐng)（專利權(quán)）人: 浙江工業(yè)大學(xué)
• 主分類(lèi)號(hào): G06K9/00
• 分類(lèi)號(hào): G06K9/00;G06K9/62;G06N3/04
• 代理公司: 杭州斯可睿專利事務(wù)所有限公司 33241
• 代理人: 王利強(qiáng)

一種基于集成學(xué)習(xí)的黑色素瘤皮膚病圖像分類(lèi)方法，包括以下步驟：步驟1，使用基于隨機(jī)掩蓋大小固定的區(qū)域的數(shù)據(jù)增強(qiáng)方式來(lái)擴(kuò)充訓(xùn)練樣本；步驟2，建立多個(gè)卷積神經(jīng)網(wǎng)絡(luò)模型，使用的訓(xùn)練集包含黑色素瘤皮膚圖像和非黑色素瘤皮膚圖像；使用卷積殘差50層網(wǎng)絡(luò)；使用交叉熵?fù)p失函數(shù)；步驟3，卷積神經(jīng)網(wǎng)絡(luò)模型的集成：假定由訓(xùn)練集1訓(xùn)練得到的模型為分類(lèi)模型1，訓(xùn)練集2訓(xùn)練得到的模型為分類(lèi)模型2，對(duì)分類(lèi)模型1和分類(lèi)模型2分別使用測(cè)試集來(lái)測(cè)試其效果，然后每個(gè)模型會(huì)各自給出測(cè)試樣本屬于黑色素瘤的概率值p1，p2，集成的時(shí)候?qū)τ跍y(cè)試樣本屬于黑色素瘤的概率p＝(p1+p2)/2。本發(fā)明分類(lèi)精度較高、數(shù)據(jù)均衡，提高黑色素瘤自動(dòng)識(shí)別分類(lèi)的性能。

技術(shù)領(lǐng)域

本發(fā)明涉及計(jì)算機(jī)視覺(jué)領(lǐng)域，特別是涉及圖像分類(lèi)領(lǐng)域。本發(fā)明公開(kāi)了一種新型的黑色素瘤分類(lèi)系統(tǒng)，具體通過(guò)對(duì)皮膚鏡檢圖像進(jìn)行不同數(shù)據(jù)增強(qiáng)來(lái)構(gòu)建輸入樣本集之間的差異性，同時(shí)結(jié)合深度卷積神經(jīng)網(wǎng)絡(luò)來(lái)進(jìn)行訓(xùn)練模型，最后使用集成學(xué)習(xí)來(lái)對(duì)多個(gè)模型進(jìn)行集成來(lái)構(gòu)建最終的分類(lèi)系統(tǒng)。

背景技術(shù)

黑色素瘤，也稱“惡性黑色素瘤”或被稱作“黑素瘤”，它是一種源于黑色素細(xì)胞的一類(lèi)惡性腫瘤。黑色素瘤因其容易出現(xiàn)且容易轉(zhuǎn)移，成為皮膚腫瘤中惡性程度最高的瘤種，嚴(yán)重危害生命。然而，即使是經(jīng)驗(yàn)豐富的皮膚科醫(yī)生，肉眼檢測(cè)黑素瘤帶有很強(qiáng)的主觀性，導(dǎo)致檢測(cè)結(jié)果不準(zhǔn)確，甚至檢測(cè)結(jié)果難以重現(xiàn)。皮膚鏡下皮膚病圖像識(shí)別和分類(lèi)，一直都是生物醫(yī)學(xué)領(lǐng)域的一個(gè)研究熱點(diǎn)和難點(diǎn)。尤其是惡性黑色素瘤圖像，由于存在著數(shù)據(jù)量小和數(shù)據(jù)不均衡問(wèn)題，導(dǎo)致圖像難以識(shí)別和分類(lèi)。本發(fā)明中采用目前比較火熱的深度學(xué)習(xí)方法中的深度卷積神經(jīng)網(wǎng)絡(luò)和傳統(tǒng)的集成學(xué)習(xí)方法相結(jié)合，可以得到對(duì)黑色素瘤皮膚病圖像都比較好的分類(lèi)效果。

卷積神經(jīng)網(wǎng)絡(luò)是人工神經(jīng)網(wǎng)絡(luò)中最具代表的一種，它已成為當(dāng)前深度學(xué)習(xí)研究領(lǐng)域的研究熱點(diǎn)，在圖像識(shí)別、語(yǔ)音處理等領(lǐng)域都有著非凡的表現(xiàn)。一般地，卷積神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)包括兩層，其一為特征提取層，每個(gè)神經(jīng)元的輸入與前一層的局部接受域相連，并提取該局部的特征。一旦該局部特征被提取后，它與其它特征間的位置關(guān)系也隨之確定下來(lái)；其二是特征映射層，網(wǎng)絡(luò)的每個(gè)計(jì)算層由多個(gè)特征映射組成，每個(gè)特征映射是一個(gè)平面，平面上所有神經(jīng)元的權(quán)值相等。特征映射結(jié)構(gòu)采用多種不同的激活函數(shù)比如sigmoid函數(shù)、ReLU函數(shù)作為卷積網(wǎng)絡(luò)的激活函數(shù)，使得特征映射具有位移不變性。此外，由于一個(gè)映射面上的神經(jīng)元共享權(quán)值，因而減少了網(wǎng)絡(luò)自由參數(shù)的個(gè)數(shù)。卷積神經(jīng)網(wǎng)絡(luò)中的每一個(gè)卷積層都緊跟著一個(gè)用來(lái)求局部平均與二次提取的計(jì)算層，這種特有的兩次特征提取結(jié)構(gòu)減小了特征分辨率。

對(duì)于一個(gè)給定的學(xué)習(xí)任務(wù)，需要搜索的假設(shè)空間通常十分巨大，然而可訓(xùn)練的樣本數(shù)卻往往又十分有限，這就導(dǎo)致了單一的學(xué)習(xí)器難以學(xué)習(xí)到目標(biāo)假設(shè)。此時(shí)，將有一系列的假設(shè)可以同時(shí)滿足訓(xùn)練集，而最終學(xué)習(xí)的結(jié)果只能是其中之一。這樣，學(xué)習(xí)算法就面臨著一定風(fēng)險(xiǎn)，但是將多個(gè)假設(shè)集成起來(lái)卻能夠降低這種風(fēng)險(xiǎn)。因黑色素瘤分類(lèi)任務(wù)中存在著數(shù)據(jù)不均衡的情況，考慮到集成學(xué)習(xí)技術(shù)具有可同時(shí)提升單一分類(lèi)器分類(lèi)精度與泛化能力這一特點(diǎn)，已被廣泛應(yīng)用于類(lèi)別不平衡學(xué)習(xí)領(lǐng)域，故發(fā)明中使用集成學(xué)習(xí)來(lái)更好解決數(shù)據(jù)不均衡的問(wèn)題。

發(fā)明內(nèi)容

為了解決現(xiàn)有黑色素瘤分類(lèi)精度低、分類(lèi)過(guò)程中存在數(shù)據(jù)不均衡的不足，本發(fā)明提出了一種分類(lèi)精度較高、數(shù)據(jù)均衡的基于集成學(xué)習(xí)的黑色素瘤皮膚病圖像分類(lèi)方法，旨在提高黑色素瘤自動(dòng)識(shí)別分類(lèi)的性能。

本發(fā)明解決其技術(shù)問(wèn)題所采用的技術(shù)方案是：

一種基于集成學(xué)習(xí)的黑色素瘤皮膚病圖像分類(lèi)方法，包括以下步驟：

步驟1，使用基于隨機(jī)掩蓋大小固定的區(qū)域的數(shù)據(jù)增強(qiáng)方式來(lái)擴(kuò)充訓(xùn)練樣本，過(guò)程如下：

1.1依次從訓(xùn)練集中無(wú)放回取圖片img，并獲取它們的寬img_w和高img_h；

1.2初始化掩蓋區(qū)域的寬w＝s，高h(yuǎn)＝s；